Beruflich Dokumente
Kultur Dokumente
A Sciences et techniques
de lenvironnement
HYDROLOGIE
CHAPITRE 6
HYDROLOGIE STATISTIQUE
Introduction lEtude des Processus Hydromtorologiques
Application la Prdtermination
des Dbits de Crues
et dEtiage
Jacques MIQUEL
2009-2010
SOMMAIRE
Introduction
Premire partie : introduction aux processus stochastiques hydromtorologiques
1. dfinitions et proprits des processus
2. utilit de ltude des processus stochastiques en hydromtorologie
3. les modles dinterpolation et de reconstitution
4. les modles de simulation stochastique
5. les modles de prvision
6. les modles de prdtermination
Deuxime partie : la prdtermination des crues
1. quelle variable faut-il tudier ?
2. quelle mthode employer ?
3. la mthode des Maxima Annuels
4. la mthode du Renouvellement
5. la mthode du Gradex
6. conclusions sur la prdtermination des crues
Troisime partie : valuation des risques de crue de la Garonne Mas dAgenais
1. lanalyse hydromtorologique
2. les donnes et leur critique
3. ltude par la mthode des Maxima Annuels
4. ltude par la mthode du Renouvellement
Quatrime partie : la prdtermination des tiages
1. Lapproche globale Dbit- Dure
2. Les principaux indicateurs dtiages
3. Analyse statistique des indicateurs dtiage.
4. Les courbes Dbit-Dure-Frquence
5. Conclusion sur la prdtermination des tiages
Annexe 1: ajustement de quelques lois usuelles en hydrologie
Annexe 2: estimation des paramtres de la mthode du Renouvellement et de leurs
incertitudes
Annexe 3: tables statistiques et papiers Gauss et Gumbel
Rfrences bibliograhiques
INTRODUCTION
En allant du gnral au particulier, ce cours a pour ambition la fois dapporter une vision
densemble, permettant de situer les mthodes usuelles, pouvant galement expliquer lintrt
actuel des chercheurs pour des thmes comme lanalyse rgionale, ou lidentification des
drives et ruptures hydrologiques avec leurs consquences dcisionnelles, mais aussi de se
frotter bien concrtement une question hydrologique essentielle avec un premier aperu des
outils existants, tout en sachant bien que la pratique et la critique des donnes construisent la
vraie comptence.
Ce cours doit beaucoup au professeur Jacques BERNIER qui a introduit en France lessentiel
de ces mthodes. La premire partie sinspire en particulier directement des exposs quil
faisait lENPC.
permettent
de
dcrire
un
processus
stochastique
Z
Exemples:
La pluie mesure P (x, t1) un instant t1 au point x, est une ralisation observe du processus
constitu par la lame deau dune averse.
Autre exemple : Une chronique de dbits mesurs Q(x, tx) en une station est une ralisation
observe du processus constitu par les dbits couls dans les diffrents cours deau dun bassin
versant.
Ou encore : Le quantile dcennal Q10(x, nx) de dbits en une station est une ralisation observe du
processus constitu par les dbits dcennaux dans les diffrents cours deau dun bassin versant.
Exemple dchantillonage vnementiel: les surplus et dficits par rapport diffrents seuil en
dbit
[Z(xt, t)-M1(t)].[Z(x t-t, t-t)-M1(t-t)].f(Z(xt, t),Z(x t-t,t-t),t,t-t) dxtdxt-t= cov(t,t) est constant
" t, et ne dpende que de t.
Mmoire
dune
variable
hydomtorologique: la mmoire dune
variable hydromtorologique Z(x, t)
chantillone pas de temps constant peut
se mesurer par son autocorrlation: r (t,t)=
cov(t,t) / [M2(t).M2(t-t)]2 qui est dautant
plus forte que r(t,t) est proche de 1.
Exemples de mmoire:
10
11
A noter que ce raisonnement fait deux dimensions peut stendre de faon analogue k
dimensions, cest dire lorsquil existe une relation Xk= q0+q1X1+....+qk-1.Xk-1 + e.
Interpolation spatiale par la mthode du Krigeage:
Il sagit de calculer la valeur dune variable rgionalise en un point X non mesur,
partir dobservations faites en k points Xk . Ceci est particulirement utile pour tracer des
courbes iso-valeurs dune grandeur rpartie spatialement comme par exemple la pluie.
On cherche alors approcher la valeur inconnue de Z(X) par une valeur approche
Z(X)=Sli(X).Z(Xi).
Si le processus est intrinsque et sans drive, cela signifie que la variable Z(X) est telle
que
"x
E[Z(x)]=m(x)=0
Var[Z(x)-Z(x+h)]= Variogramme = 2. F(h)
Sli . gi,j + m
= 0
( j=1,...,k )
de
Sli = 1
La principale difficult de cette mthode est lestimation de la fonction F qui peut tre
sensible des phnomnes locaux et ponctuels. Cette estimation est ralise en utilisant les
covariances aux points observs selon leurs distances. Exemple schmatique :
Identifier g(h) partir des covariances
19
12
13
14
La mthode peut tre tendue au cas o la drive nest pas nulle, mais fixe, par exemple en
fonction des coordonnes gographiques des X.
Interpolation spatiale par lAnalyse en Composantes Principales:
Il sagit encore de calculer la valeur dune variable rgionalise Z en un point X non
mesur, partir dobservations faites en k points X k mais cette fois en supposant quil existe
un processus sous jacent Y; Autrement dit
Z(X,t)=SaX,i.Yj(t) + e(X,t)
(j=1,...,k)
avec e(X,t) = rsidu en un point x (cart entre Z(X,t) et la partie explique par le
processus sous jacent, cest dire SaX,i.Yj(t) ).
Il faut donc identifier les aX,i et lesYj(t). Pour cela on va exploiter les covariances r i,j
existant entre les Z(Xi, t) pour les diffrents i = 1,...,k, (ou sur leurs variables centres
rduites). Soit :
- R la matrice des covariances ri,j.
- lj ses valeurs propres, obtenues en rsolvant le dterminant de [R-lI] avec
I=matrice unit, et ranges de la plus forte la plus faible.
B=[bij] la matrice des vesteurs propres associs aux lj , et A=[aij]=B-1=BT
Alors on peut montrer que les aij de la matrice A, et les Yj(t)= Sbj,i. Z(Xi, t) sont une
dcomposition possible des Z(Xi, t) initiaux, respectant la structure des corrlations.
15
Il est possible de dfinir un processus sous jacent Y, obtenu en prenant non pas les k
vecteurs propres, mais les plus essentiels, par exemple les p premiers: le pourcentage de
variance explique sera alors gale
avec j= 1,...,k.
Lp / Lk ,
Lp=Slj
avec j= 1,...,p et
Lk= Slj
Dun point de vue pratique cela parmet de rechercher les 2 ou 3 facteurs explicatifs
prpondrants dun phnomne spatial observ. Par exemple, pour expliquer les hauteurs de
plusieurs pisodes pluvieux, la cartographie des coordonnes dun vecteur propre peut aider
comprendre diffrents effets, comme leffet orographique.
Exemple dACP sur des pluies mensuelles (BV Allier) daprs CREUTIN [12]
16
dun point de mesure sur la variance explique, ou ce qui revient au mme sur les rsidus.
r = E[(X(t)-m). (X(t-1)-m))]/s2
rk= E [(X(t)-m).(X(t-k)-m)]/s2 = rk.
r(k)
1
17
...............
X(i)=m + r.[X(i-1)-m] +ai .s.[1-r2]2
(i=3,....,n)
A noter que lorsque la moyenne et lcart type ne sont plus stationnaire, on peut
parfois se ramener un processus analogue en effectuant le changement de variable
X(t)=[X(t)-m(t)]/s(t).
Modle Markovien gnral
Cette fois, la moyenne et lcart-type ne sont plus stationnaires, et la condition rk= rk
nest plus vrifie. Lexpression gnrale de ce modle scrit :
(X(t)- m(t))/s(t) = r.[(X(t-1)-m(t))/s(t-1)] + e(t).[1-r2]2
Ainsi un processus sera Markovien sil vrifie :
rt,t-2=rt.rt-1
rt,t-3=rt.rt-1.rt-2
etc...
rt, t-2
rt-2
t-3
rt-1
t-2
rt
t-1
18
A titre dexemple, pour le Rhin Ble, les corrlations des dbits mensuels de la priode 1908-1926 taient:
mois
rt.rt-1
rt,t-2
mois
rt.rt-1.rt-2
rt,t-3
janv-fv
fv-avril
juin-aot
0.25
0.31
0.43
0.23
0.26
0.38
janv-avril
fv-mai
juin-sept
0.15
0.18
0.28
0.04
0.25
0.26
Ces valeurs montrent que la srie des dbits mensuels est assez bien reprsente par un processus de Markov
de paramtres [m(t);s(t);r(t)] t=1,...12 o t est le numro de mois.
0,45
0,425
0,4
0,375
Observ
0,35
0,325
0,3
0,275
0,25
0,225
0,2
0,175
0,15
0,125
0
0,1
0,2
0,3
0,4
Markov
(j=1,...,p)
"k>0
"k>0
Le processus tant stationnaire, on peut trouver un ensemble {Fi} qui respecte les
covariances:
Sachant que E[e(t). Z(t-k)]=0, on a :
19
( i =1,...,p)
Do lon tire :
rk=SFi.rk-i
( i =1,...,p)
ou encore
[r]=[P].[F]
avec
F1
F2
..
r1
r2
..
[r]=
rk
[F]=
Fk
1 r1 r2 .......................rp-1
r1 1 r1 ......................rp-2
........................................
[P]=
..
rp
Fp
..
Comme prcdement, la simulation dun scnario consiste tirer alatoirement des e(t), et
un terme Z(1) initial, puis, connaissant les ri et Fi, en dduire la srie des Z(t).
Les autres modles Autorgressifs : MA(q), ARMA(p,q) et ARIMA(p,d,q)
Le modle MA(q), Moving Average ou moyenne glissante, exprime que le processus
est une sorte de lissage dun processus sous jacent:
Z(t)=
dans ce cas
( i =1,...,q)
( i =1,...,p) ( j =1,...,q)
20
Enfin le modle ARIMA(p,d,q) est un cas particulier du modle ARMA appliqu une
variable transforme: Z(t)= Z(t)-Z(t-d), de faon gommer les nonstationnarits de priode
d.
Les modles conceptuels
Ces modles intgrent dans la structure du processus des lments physiques : ainsi le
processus des dbits sera reconstitu soit en partant du processus des pluies, en utilisant une
schmatisation pluie-dbit trs globale, et en compltant par des termes alatoires dont les
caractristiques auront t identifis sur des ralisations concommitantes.
Exemple du modle vidange-impulsion: cest la combinaison dun modle stochastique simulant des
pisodes pluvieux et dun modle pseudo-dterministe utilisant une relation pluie-dbit pour gnrer des dbits
journaliers complt par un terme alatoire.
Q(i)=qi.Q(i1) + mi. P(i) + e (i)
o
Le schma ci-dessus reprsente, de faon simplifie, lvolution des dbits au cours du temps. On constate quil
y a dcroissance exponentielle des dbits en labsence de pluie (cest lalimentation par la nappe) et des sauts
sinon (cest le ruissellement conscutif une pluie).
21
La qualit du modle dpendra la fois de lidentification du processus simulant les pluies et de la qualit
du modle pseudo-dterministe simulant les alas de la raction pluie-dbit. Ce dernier peut tre contrl ds
quon connait des ralisations de pluies et de dbits concommitantes (figure ci-dessous):
Exemple du modle DPFT: ce modle affine le devenir de la pluie prcipite en modlisant la part
efficace de la pluie qui participe directement lcoulement (le reste tant infiltr ou vapotranspir), et
recompose les dbits partir des pluies nettes successives (schmatisation linaire comme lhydrogramme
unitaire).
22
Ainsi la pluie efficace PE se dduit de la pluie brute P: PE(i)=P(i)2 / [P(i)=b(i)] o b(i) est une fonction de
ltat du sol au moment de laverse.
Les dbits se calculent par une expression de la forme: Q(j)=Q(j-1)+Sli. PE(i)+e(j) o les sont des
coefficients.
Lidentification des b(i) et desli est itrative et fait loriginalit de la mthode.
Exemple des modles rservoirs: en modlisant les stocks et les flux globaux pour mieux prciser le
devenir de la pluie, on atteint le stade le plus explicatif des modles conceptuels. A titre dexemple voici un
shma de ce type de modle:
23
24
Ces calculs sont intressants pour juger des risques globaux encourus par un ouvrage de
dure de vie fixe.
les lois classiques:
Lobjectif est de trouver une loi thorique dont on puisse montrer quelle reprsente bien la
fonction de distribution du processus tudi. Nous verrons plus loin comment ajuster plusieurs
lois partir des observations et en choisir une.
Mais commenons par lister les lois les plus frquemment utilises en hydrologie:
Q
1
2p b
exp [- 12
-
t-a
b
] . dt
1
2p b
exp[ -
1 log t-a
2
b
] . dt
a
G( g )
. m / n!
Dans ces lois les a, b,.... sont des paramtres qui doivent tre estims comme indiqu au
prochain paragraphe.
lestimation des paramtres des lois:
Comment estimer les paramtres a et b de faon ce quune loi reprsente bien la
distribution inconnue, dont on ne connait quune ralisation au travers dune srie de
Nobservations {Qi}? Voici les deux mthodes les plus frquemment utilises :
La mthode des Moments consiste verifier que les premiers moments de la loi et les
moments empiriques des observations concident, autrement dit :
m (a, b,.) =
Q F dQ
-
et
s (a, b,.) =
[Q - m (a, b,.) ] . F dQ
2
i=1,...,K
27
priode de retour 1.000 ans, et peuvent masquer par leur nombre les quelques fortes crues
disponibles.
Voici cependant trois contrles frquemment
utiliss:
-
28
En effet lorsquon fournit un projeteur une estimation, il est absolument ncessaire de lui
fournir une ide du risque derreur dvaluation associ: mme sil nintgre pas toujours
cette information dans son analyse conomique, cela reste un lement de dcision aussi
important que lestimation elle mme: dune certaine faon louvrage sera expox un
risque qui combine la fois lala naturel et celui de lestimateur.
Il faut souligner que cette problmatique de prise en compte de lincertitude se pose
galement pour les modles de prvision, avec toutefois, on a vu, la particularit de
pouvoir intgrer les erreurs passes dans les prvisions.
Pour les principales lois voques prcdement, on trouvera en annexe 1 une aide au
calcul pour raliser leurs ajustements et proposer des estimations.
29
Ds que l'on veut construire un pont, un barrage, un ouvrage fluvial expos aux dbits
extrmes, se pose le problme du dimensionnement : qu'il s'agisse de l'application d'une
norme ou du rsultat d'une tude conomique, on est forcment amen choisir un dbit, et
donc un risque de dpassement de ce dbit. Une erreur sur le risque associ ce dbit, peut
avoir des consquences catastrophiques, d'un point de vue conomique (ruine de l'ouvrage),
humain parfois (rupture de barrage par exemple).
Ce qui vient d'tre dit a des consquences propos des mesures : on trouve dans les archives
de nombreux renseignements sur des hauteurs de crue, mais souvent ils sont inexploitables.
En effet deux crues dcrites comme diffrentes donnent des hauteurs semblables (obstruction
d'un
30
pont, prise en glace, etc...) et rendent inutile cette information, qui aurait t prcieuse si une
valuation mme grossire du dbit avait t faite. Une crue n'est correctement et utilement
dcrite que si son dbit est estim.
La variable la plus frquemment probabilise est donc le dbit moyen journalier maximum de
la crue. Cependant on est souvent intress par le dbit maximum instantan de la crue
(problme de submersion). L'cart entre maximum journalier et moyenne journalire est
parfois important et doit tre analys partir d'hydrogrammes continus.
Les mthodes probabilistes qui qui nous intressent peuvent se ranger en trois catgories :
les mthodes danalyse du processus des dbits,
les mthodes hydromtorologiques qui intgrent linformation pluviomtrique,
les mthodes de simulation stochastiques.
Les mthodes de simulation stochastiques, en modlisant statistiquement les processus
l'chelle journalire ou mensuelle, et en gnrant des scnarios sont trs utiles pour tudier par
simulation, des variables complexes, mais elles contrlent mal les incertitudes, ce qui limite la
validit des extrapolations. Comme elles sont nettement moins employes, nous ne les
aborderons pas ici.
Les mthodes hydromtorologiques sont fiables et oprationnelles pour des bassins versants
limits et homognes. Elles ont galement l'avantage d'analyser les vnements gnrateurs,
et d'tre ainsi plus proches de la physique des phnomnes. Nous en prsenterons la plus
utilise: la mthode du GRADEX.
Nous dtaillerons et illustrerons naturellement les mthodes danalyses des dbits, sous leur
forme traditionnelle (mthode des Maxima Annuels) ou plus rcente (mthode du
Renouvellement).
Nous dirons un mot enfin des mthodes empiriques ou dterministes qui en maximisant les phnomnes n'valuent pas clairement les risques.
31
Lchantillonage
Pour constituer lchantillon de travail, lide vient naturellement dextraire le dbit le plus
fort de chaque anne :
Aprs avoir rang ces q*i du plus fort au plus faible, on associe chacun une
frquence empirique fi = i / (NA+1).
Puis on choisit parmi les lois classiques (Normale, Log Normale, Gumbel, etc...) celle
qui s'ajuste le mieux l'chantillon des crues maxima annuelles observes (voir 1re
Partie et annexe1).
T=
1
1 F(Q)
QT = F-1(1 1/T)
Il conviendra enfin d'indiquer quelle est la qualit de l'estimation au moyen des trois
renseignements suivants :
~
32
les limites de l'intervalle de confiance a % (l'usage est de prendre pour les crues
70% mais ce choix doend des consquences d'une erreur d'estimation).
Force et faiblesses
La force de cette mthode est sa simplicit, et on en trouvera une illustration en 3me Partie.
Elle nest cependant pas exempte de critiques:
L'aspect processus de la srie des dbits d'une rivire est compltement ignor : on se
ramne un problme de tirage dans une urne. La mthode est particulirement simple, par
contre elle nglige beaucoup d'information : toutes les fortes crues qui n'ont pas eu la
chance d'tre le maximum de l'anne o elles se sont produites. Cette information oublie
fait cruellement dfaut lorsque l'chantillon est court.
Certaines annes la crue maximum annuelle n'a pas t forte : ce type de crue faible n'a
pas grand chose voir avec les crues importantes dont on veut connatre la probabilit.
L'hypothse dhomognit de l'chantillon est donc mal vrifie.
Toutes ces raisons ont conduit dvelopper la mthode du RENOUVELLEMENT qui est
dcrite au paragraphe suivant.
4. La mthode du RENOUVELLEMENT
On veut toujours dterminer F(Q)= probabilit annuelle [q < Q], c'est--dire la probabilit
que le dbit le plus fort de l'anne ne dpasse pas Q.
Lchantillonage
Considrons la srie des dbits moyens journaliers observs. Cette srie est une ralisation
du processus des dbits journaliers.
On commence par ne retenir de ce processus que la partie qui contient de l'information utile
pour la connaissance des fortes crues. Pour cela on se fixe un seuil S et on conserve les dbits
suprieurs.
33
plus S est lev, plus les crues seront fortes et indpendantes, et plus l'chantillon
sera homogne,
plus S est bas, plus nombreuses seront les crues retenues ce qui amliore
l'chantillonnage.
Le choix de S est donc un compromis: en pratique l'tude de 2 ou 3 seuils suffit pour trouver
la bonne valeur, en sassurant quautour de cette valeur les estimations ne doivent pas varier
de faon importante.
34
Quantitativement on peut tudier la variable alatoire constitue par les dates d'occurrence des
crues observes : t 1, ..., tN,.
Elles doivent tre uniformment rparties sur l'intervalle [t 0,tN+1]. Dans ces conditions la
moyenne thorique m = (t N+1 + t0)/2 est comparer avec la moyenne observe m* = (Sti)/N
et la variance thorique s2 =( tN+1 - t0)2/12 est comparer avec la variance observe s*. Si
35
on admet que la variable u = N1/2.(m-m*)/s suit une loi normale, on pourra accepter
l'hypothse de stationnarit avec un risque 5 % de se tromper chaque fois que u < 1,96 .
Le modle de Renouvellement
Soit q la crue la plus forte de l'anne. On veut dterminer :
F(Q) = Prob [q < Q].
Nous allons construire le modle en dcomposant cette probabilit en deux : la probabilit de
dpasser le seuil S un nombre de fois k dans lanne, et la probabilit de ne pas dpasser le
niveau Q bien quayant dpass S. On applique simplement les rgles de composition des
probabilits d'vnements indpendants :
Prob [q < Q] =
en abrg :
Prob [q < Q] = S Prob [Au cours de l'anne, $ k crues >S et toutes < Q]
k=0,.....,
ou encore :
Prob [q < Q] =S P(k).G(Q)k
k=0,........,
e-m
G(Q) est estime par une loi de type exponentielle. Elle sajuste trs classiquement
lensemble des dbits maximaux des crues ayant dpass le seuil S. La qualit dajustement
doit toujours tre vrifie grapgiquement et par le test du
ci-dessous convient :
e -r(Q-S)p
-r(Q-S)
G(Q) = 1 - e
G(Q) = 1 -
36
Lorsqu'on s'intresse des crues rares, la Prob [q < Q] peut tre approxime par une relation
trs simple. En effet si la crue est rare cela signifie que G(Q) est proche de l :
F(Q)=Prob [q* < Q] =S P(k).G(Q)k
F(Q)Y
Exemple d'application simple : On veut connatre la crue centennale d'une rivire dont on
dispose de 30 ans de relevs hydromtriques. On s'est fix un seuil S = 100 m3/s, on a observ
100 crues suprieures S et de moyenne 150 m3/s. Si ces crues suivent une loi G(Q)
exponentielle simple, on aura :
F(Q)=Prob [q* < Q] 1 - (100/30).exp[-(Q-100)/(150-10]
F(Q)=Prob [q* < Q] 1 -3,33.exp[-(Q-100)/50]
Ainsi la crues centennale Q100 390 m3/s
Remarques
Tout ce qui vient d'tre dit pour l'anne (maximum annuel, nombre de crues par an
suprieures S, etc...) peut tre transpos d'autres chelles de temps : le mois, la saison,
etc... Il importe seulement de ne pas mlanger des rgimes diffrents : ne pas traiter l'chelle
mensuelle l'ensemble des crues d'hiver et d't, car le nombre moyen mensuel de crues est
diffrent en hiver et en t et la loi P(k) est galement diffrente. Par contre on peut faire une
tude l'chelle mensuelle si on dsire tudier les crues d't et que l'on ne retienne que les
dbits de juillet-aot : le rsultat final sera la probabilit de la crue maximum de ces deux
mois, ou de l'un d'entre eux (ceci intresse ceux qui doivent effectuer des travaux dans le lit
d'une rivire et qui veulent savoir quels risques ils s'exposent selon le mois).
II existe des variantes de ces mthodes (lois tronques sur les Maxima Annuels,
Renouvellement avec variations saisonnires des paramtres, etc...) mais leurs principes de
base se ramnent pratiquement toujours ceux qui ont t dcrits.
Lestimation des parametres du Renouvellement
La forme la plus usuelle de la fonction de rpartition par le Renouvellement scrit donc :
F(Q) = Prob [ q* < Q] = S P(k).G(Q)k
Avec P(k) =
-m
. m / k!
k
et
G(Q) = 1 -
k=0,.....,
-r(Q-S)
Il sagit de dterminer les paramtres r, m et p de ces lois partir des crues observes. Pour
cela, nous allons utiliser les deux chantillons que nous avons constitus, savoir :
Les dbits maxima des crues suprieures S : {Qi} i = 1, NC (nombre de crues >S)
37
k = 1, NA (nombre
NC
S (Qi S)p.log(Qi S) = 0
NC/p + S log(Qi S)
Ce jeu de paramtres r*, m* et p* trouv,
S (Qiilreste
S)p vrifier que les lois choisiees conviennent
QT = S +
Log (m*T)
r*
1/p*
A noter le cas particulier de la loi exponentielle simple qui nest autre que la loi de weibull
r(Q-S)
SQi - S)
Var (QT ) =
(QT S)2 .Var r* +(QT S)2(1-p) .Var m* +(QT S)2.log2 (QT S) .Var p*
r*2. p*2
r*2. m*2.p*2
p*2
+ 2.
(2-p)
- 2. (QT S) . log (QT S).Cov m*p*
r*. m* . p*2
38
Si on fait ensuite lapproximation que QT suit une loi Normale, on en dduit lintervalle de
confiance 70%: [Q1;Q2] avec Q1= QT - 1,04.sQ et Q2= QT + 1,04.sQ
Linformation historique
Lintervalle de confiance calcul ci dessus prend en compte les incertitudes dchantillonage
lies la taille limite de lchantillon. Il existe dautres sources dincertitudes trs
difficilement quantifiables: les erreurs de mesures qui peuvent entacher les donnes,
linadquation toujours possible des lois retenues surtout pour les trs grandes crues, des
dfauts de stationnarit, etc.... Pour sen prserver partiellement, il est vivement conseill de
rechercher linformation historique.
Longtemps nglige, parce que considre comme peu sre, l'information historique, c'est-dire les renseignements sur des crues anciennes, particulirement fortes, au cours des 100 ou
200 dernires annes, est en fait capitale et mme dans certains cas plus prcieuse que la srie
des observations rgulires : par exemple si on dsire estimer la crue centennale, la
connaissance des 2 ou 3 plus forts vnements du sicle pass est plus importante qu'une
dizaine d'annes de dbits.
Supposons donc qu'une analyse critique ait permis de rassembler un catalogue des NP plus
fortes crues en NAS annes supplmentaires, et qu'elles soient ranges par ordre dcroissant.
Comment prendre en compte ces crues ?
La technique classique, utilise pour la mthode des Maxima Annuels, consiste affecter
chaque crue une probabilit empirique [ fi = i / (NAS+1)] et reporter les points reprsentatifs
de ces crues sur le graphique d'ajustement des crues de l'chantillon rgulier. On vrifie ainsi
que ces crues exceptionnelles sont compatibles avec le modle statistique retenu.
Ce procd est simple mais il offre deux inconvnients : d'abord il ne comporte pas de critre
clair pour accepter ou refuser un ajustement en fonction des carts observs, d'autre part
mme si les carts sont acceptables, on ne corrige pas la loi initiale en tenant compte de ces
crues historiques.
De son ct la mthode du Renouvellement peut intgrer facilement cette information : il
suffit dans le calcul de la vraisemblance de l'chantillon, d'introduire galement la
vraisemblance des crues historiques . On crira :
VT
V1 * V2
39
Le calcul dtaill est fourni en annexe 2: le systme rsoudre pour avoir les nouvelles
valeurs de r, m et p, ainsi que est peine plus compliqu quavant.
En guise de conclusion concernant la mthode du Renouvellement, son domaine de validit,
comme dailleurs celui de la mthode des Maxima Annuels, est plutt celui des grands bassins
versants (plus de 10.000 km2). En effet ses estimations sont fondes sur des vnements
courants, dont le hasard des combinaisons est bien reprsent par les lois retenues. Ds que
lon veut estimer des vnements de priode de retour leve (100 1.000 ans), elle ne
conviendra pas pour les petits bassins versants o des effets tout fait locaux (orages par
exemple), parfois jamais mesurs aux points dtude, peuvent devenir dimensionnants.
La mthode du Gradex qui intgre dune certaine faon la physique des phnomnes
extrmes, prsente lavantage dtre bien adapte ces cas l.
5. La mthode du GRADEX
Avec la mthode du GRADEX nous abordons une autre classe de mthodes: celles qui
utilisent linformation hydromtorologique, cest dire la pluie gnratrice des coulements.
Ainsi on dispose de deux chantillons : un chantillon de pluies pas de temps fin (horaire
par exemple) et de dbits journaliers complts par quelques hydrogrammes de crue pas de
temps fin galement.
Principes, hypothses et domaine de validit
Le postulat de base de la mthode est quil doit y avoir une relation entre la distribution des
dbits et celle des pluies gnratrices puisque les dbits sont forms par les pluies. Cette
relation est elle simple?
Dans certaines conditions dcoulement extrmes (crues exceptionnelles), oui : le sol est si
satur que tout accroissement de pluie va se traduire, exprim en volume, par le mme
accroissement en dbit. Autement dit tout ce qui est prcipit, ruisselle. Si la distribution de la
variable alatoire pluie est exponentielle, alors on peut montrer que celle des dbits dans ces
conditions extrmes est asymptotiquement exponentielle, et que ses paramtres se dduisent
de ceux des pluies. Examinons les hypothses qui correspondent ces conditions:
Hypothse 1: la distribution des precipitations moyennes sur un bassin pendant une dure
t de quelques heures ou quelques jours est de type exponentiel: F(P)]= 1 - constante.exp(P/at). On peut
40
montrer quil sen dduit que la distribution des prcipitations maximales annuelles,
moyennes sur un bassin pendant quelques heures ou quelques jours est de type GUMBEL:
F(P)]= exp {-exp[ -(P0 - P)/ at] }
o P0 est une constante, ainsi que at qui est appel Gradex.
Hypothse 2 : si le dbit dpasse une certaine valeur (qui selon les sols peut varier du
dbit dcennal au dbit cinquantennal), alors le sol est satur, de sorte que, pendant le temps
de base de ruissellement t, tout accroissement de pluie gale le mme accroissement en dbit,
autrement dit: dQ=dP.
Le mcanisme de saturation progressive au cours dune averse peut se traduire sur la figure cidessous :
41
Le corollaire de cette hypothse combine la prcdente est que la distribution des dbits
sera asymptotiquement exponentielle, et de mme paramtre at que celle des pluies.
Ds lors lestimation du dbit Qt de priode de retour T sestime ainsi :
avec T > T0
instantan dun hydrogramme de crue, et le dbit maximum moyen sur la priode t est
indpendant du dbit. La figure ci-dessous, concernant le rapport dbit maximum/dbit
moyen, est tablie chaque tude:
42
La premire et la troisime hypothses sont assez facile vrifier: les nombreux ajustements
de lois de GUMBEL sur des chantillons de pluie et les graphiques dbits de pointe/dbits
moyenns sur une dure t ont permis de montrer, hormis quelques cas rares, le bien fond de
ces hypothses. Reste la deuxime hypothse concernant la relation pluie/dbit: cest elle qui
fixe dune certaine faon le domaine de validit de la mthode. En effet on imagine bien que
la saturation de lensemble du bassin sera dautant plus vite atteinte que les sols sont peu
permables, et que le bassin versant est de petite taille (50 1.000 km2) pour tre arros de
faon homogne. Le choix de la priode de retour T0 est faire au cas par cas : elle doit tre
suffisement leve pour que la saturation soit bien garantie au-del de ce seuil.
43
Pour terminer soulignons que cette mthode est bien adapte aux estimations dvnements
extrmes (crues dcamillnnales) car lhypothse lie la saturation est dautant mieux
vrifie que le dbit est important.
dannes de dbits observs, lestimation de la crue dcennale est accessible sans trop de
risques. Au del, il conviendra dtre prudent et disposer de suffisement dinformations.
De toute faon, compte tenu des moyens de calcul actuels, on a intrt utiliser la mthode du
Renouvellement, qui grce sa faon de bien valoriser linformation, et en plus de conforter
les extrapolations par linformation historique, est plus sre. Toujours pour des bassins
versants assez grands (plus de 10.000 km2), elle permet destimer, avec des incertitudes
souvent acceptables, des vnements de priode de retour pouvant atteindre 100 ans, voire
1.000 ans.
La mthode du Gradex est tout fait complmentaire puisquelle sapplique mieux aux
vnements les plus extrmes (dcamillennaux) survenant sur des bassins de taille modrs.
En outre elle nexige pas de longues sries de dbits, rarement disponibles sur les petits
bassins, mais demande des sries pluviomtriques.
Dautres mthodes sont-elles utilses?
De nombreuses variantes ou complments aux mthodes statistiques prsentes ici existent:
lois de Valeurs Extrmes Gnralises, changements de variables divers, combinaisons de
lois, etc...Signalons que parmi les approches statistiques intressantes qui na pu tre
prsente ici figure lanalyse Baysienne qui est bien plus quune estimation, mais plutt
une approche dynamique de la faon dutiliser linformation. En effet son principe est de
considrer que le projeteur a toujours au dpart, cest dire avant dutiliser une nouvelle
information, une apprciation a priori du phnomne quil tudie, et que linformation
reue va lui enrichir cette apprciation qui deviendra apprciation a posteriori, juqu la
prochaine information.....
Concernant la mthode du Gradex, dont le domaine de prdilection concerne les vnements
extrmes (10.000 ans), des travaux ont t conduits afin de la rendre davantage utilisable dans
la zone des crues moins extrmes (10 1.000 ans). La mthode AGREGEE mise au point par
le CEMAGREF sattache en particulier prciser la zone de transition au moyen de fonctions
de raccordement ajuster au cas par cas. La variante la plus utilise est AGREGEE
"Esthtique" : on considre que le paramtre Gradex varie entre deux valeurs :
a p (T) = a
T
T + a
et
2
T
T
a q (T) = a p (T) .
, donc a q (T) = a
o (a et d sont des
T +d
(T + a ) (T + d )
constantes calcules grce une condition de raccordement la distribution des crues
a
T+a
T + d
- d .log
observes). Ds lors : Q(T)= Q(T0) +
* a .log
si T>T0
(a - d )
T0 + a
T0 + d
Dans les pays anglo-saxons, o les mthodes statistiques sont largement employes pour les
vnement de priode de retour modre (10 100 ans), la mthode de la PMF (Probable
Maximum Flood) est exige pour les dimensionnement douvrages o des vies humaines sont
concernes. Cette mthode nest pas statistique et consiste maximiser les variables
explicatives des prcipitations (humidit, vent, conditions de prcipitation), maximiser les
45
46
Cet exemple illustre lapplication de la mthode des Maxima Annuels et de celle du Renouvellement.
Pour rester simple et illustratif, tous les calculs dtaills ne sont pas exposs: en revanche les
rsultats majeurs de chaque tape sont fournis, de sorte quils peuvent tre retrouvs en saidant de
la Partie 2 et des annexes 1 et 2.
Nous verrons successivement:
lanalyse hydromtorologique
les donnes et leur critique
ltude par la mthode des Maxima Annuels
vrification des hypothses
ajustements des lois statistiques
rsultat et incertitudes
ltude par la mthode du Renouvellement
vrification des hypothses
ajustements des lois statistiques au nombre annuel de crues
ajustements des lois statistiques aux amplitudes de crues
rsultat et incertitudes
1. lanalyse hydromtorologique
La station de Mas dAgenais est situe sur la Garonne, juste laval du confluent avec le Lot,
correspondant
un
bassin versant de 52.000
km2. Ses crues sont donc
formes de celles de la
Garonne
amont,
de
lArige, des rivires du
Lanmezan, du Tarn et du
Lot. La cohrence des
coulements a pu tre
tudie grce une srie
de
stations
hydromtriques sur ces cours
deau ou intermdiaires
sur la Garonne, en
particulier Portet, Mas
Grenier,
Hauterive,
Rouby, Lamagistre, et
Cahors. De plus des rservoirs, reprsentant au total un volume de 1,3 million de m3, construits
essentiellement aprs 1945, situs dans les Pyrnes et dans le Massif Central impactent les dbits de
la Garonne.
47
Sur le plan hydromtorologique, on distingue trois classes de crues, qui peuvent aussi se combiner:
les crues pyrnennes, les crues ocaniques, et les crues mditerranennes. A chacune delle
correspond des situations mtorologiques
identifies en fonction de la position de
lanticyclone (Golfe de Gascogne, ou ouest
Espagne ou sud Espagne) et dune ou plusieurs
dpressions
associes
(Irlande,
France,
Mditerrane,...). Les fortes crues proviennent de
la Haute Garonne (crues ocaniques ou
ocaniques-pyrnennes), ou de crues ocaniques
de la Moyenne Garonne gonfles par une crue
dun affluent, ou encore du fait de crues
successives.
Ci contre: exemple de situation mtorologique:
la journe du 22 janvier 1955
1879
7.000 m3/s
48
49
une particularit partir du milieu de la srie. Nous la gardons en mmoire pour la discussion finale
des incertitudes.
loi Log-Normale:.:
50
ajustement la loi Log-Normale: il est meilleur. Le test de dispersion du 2 vaut 10,2 pour 10
classes, la valeur acceptable pour un risque de 5% tant 14.
ajustement la loi des Valeurs Extrmes: de qualit voisine de celle de la loi Log-Normale, le
test de dispersion est meilleur : 2 = 5,9.
Finalement la loi retenue est celle des Valeurs Extrmes (ou Gumbel).
rsultats et incertitudes
Sachant que la moyenne de lchantillon est 3.910 m3/s et son cart-type 1.330 m3/s, les paramtres
de la loi de Gumbel sont =3 310 et = 1 040, de sorte que le dbit de priode de retour donne
scrit: QT= 3 310 + 1 040.[-log[-log(1-1/T)]]
crue decennale
crue centennale
crue millennale
5.650 m3/s
8.100 m3/s
10.500 m3/s
51
nombre observ
8
16
15
8
11
7
52
La qualit des deux ajustements est acceptable et la loi Exponentielle Simple savre pratiquement
suffisante.
Les crues millnnales estimes sont de 11.000 m3/s pour la loi Exponentielle Simple et 9600 m3/s
pour la loi de Weibull, tandis que Q = 900 m3/s.
ajustements
Historique
utilisant
lInformation
53
3 250
9 100
Les risques de non stationarit rencontrs deux reprises dans ltude ont t valus en rptant
ltude sur les sous chantillons 1913-1945 et 1946-1977: lcart maximal obtenu sur lestimation de
la crue millennale est de 400 m3/s.
De la mme faon une analyse de sensibilit sur la correction des donnes abouti un cart de 200
m3/s.
Bien entendu tous ces carts ne sont pas cumulatifs: ils constituent des ordres de grandeurs avoir
contrl avant une dcision de dimensionnement pour prendre les scurits adaptes aux enjeux.
_______________________________
54
Ltiage, comme lhydrogramme de crue, constitue une partie du processus des dbits : il peut
tre statistiquement tudi comme le furent les dbits de crue, cette diffrence prs que le
dbit minimum instantan est rarement la variable intressante pour lutilisateur comme ltait
le dbit maximum instantan pour ltude des crues. Ce dernier sintresse ncessairement
des grandeurs couples dbits et dures : dbits mensuels, nombre total de jours annuels sous
un seuil en dbit, nombre de jours conscutifs sous un seuil en dbit, etcIl ny a donc plus
une variable privilgie une dimension dont il faut estimer la probabilit doccurrence ou de
dpassement comme nous lavions vu pour les crues, mais une variable deux dimensions
dbit-dure.
( Daprs [27] )
Ainsi, sur la figure ci-dessus Dbit Class-dure-frquence , on peut lire que le dbit class
dcennal de 350 jours (QC350), cest dire le dbit dpass 350 jours par an, vaut 58 m3/s, le
dbit class centennal de 350 jours (QC350) vaut 43 m3/s, ou encore que le dbit dcennal de
315 jours (QC315) vaut 75 m3/s.
Ces approches ont t dveloppes en France, par Electricit de France pour ltude de la
svrit des tiages des cours deau au droit de ses installations de production dnergie
(MIQUEL et coll. [27]), par des canadiens (MATHIER et coll. [28]), et par le CEMAGREF
en collaboration avec des chercheurs canadiens et roumains, non seulement pour lvaluation
des risques dtiage (GALEA, et coll. [29] et [30] ), mais galement des dures dinondation
(GALEA, et coll. [31] ).
56
INDICATEURS
DUREE
FIXEE
DEBIT
FIXE
DEFINITIONS
Bien entendu dautres indicateurs peuvent tre ajouts dans lune ou lautre catgorie, en
fonction de leur utilisation. Les indicateurs frquemment rencontrs sont :
Indicateurs dbit fix
- Les volumes manquants sous un seuil en dbit fix. Cet indicateur est utile
pour valuer la capacit dune rserve maintenir ponctuellement un dbit aval. A
noter que les volumes manquants cumuls dans lanne sont lis aux dbits
classs.
- Les dficits mensuels successifs : au Canada (INRS Eau), un seuil mensuel Q m0 en
dbit est dfini pour chaque mois (par exemple un quantile de la distribution des
dbits moyens du mois). Ensuite, chaque mois correspond deux possibilits : que
le dbit mensuel soit au dessus ou au dessous du seuil. Ds lors, lindicateur est le
nombre de mois successifs dficitaires ou au contraire sans dficit. Ce type
dindicateur convient bien aux analyses de risques de baisses de production
hydrolectrique associes aux dficits de la ressource en eau dallure assez lisse.
Indicateurs dure fixe
- QMNA : Dbit moyen mensuel le plus faible de lanne (trs utilis au niveau
europen, et en France dans les plans scheresse pour caractriser de faon
gnrale la priode dtiage, notamment le QMNA5, de priode de retour 5 ans).
57
Cette liste nest pas exhaustive, et les indicateurs sont nombreux. Mais alors quel indicateur
choisir ?
La rponse cette question dpend essentiellement de lutilisation qui en sera faite : at-on un problme de disponibilit de la ressource exprim en dbit seuil critique
(prises deau industrielles par exemple), ou bien en terme de capacit tenir pendant
une dure limite (si un usage dispose dune rserve), ou bien encore cherche-t-on un
indicateur multi-usage , utile un ensemble dusages plus ou moins bien cibls,
pour lesquels il faut qualifier la svrit dun pisode ?
Accessoirement, il peut tre intressant que lindicateur soit peu sensible aux effets
anthropiques, ou en tout cas permette de facilement identifier les effets anthropiques
de la partie naturelle : cest la raison pour laquelle le dbit instantan annuel est dlicat
manier, compte tenu de sa sensibilit de multiples interactions parfois trs brves et
difficiles identifier.
Dans tous les cas, larsenal des lois statistiques dj utilises pour ltude de la crue
(LogNormale, Galton, Exponentielles, Pearson, etc) suffit en gnral pour les tiages.
58
Le Dbit Class Q350 de la Garonne Lamagistre (proche de Mas dAgenais) dont voici
la srie de 1915 1935:
( Daprs [27] )
( Daprs [27] )
Ainsi, en anne centennale, Q350 a 70% de chance dtre compris entre 59 et 67 m3/s.
59
( Daprs [28] )
e-t . t l -1 . dt
G(l)
avec
f(D) = D l / s et
G = fonction Gamma
Cependant,
Sil sagit dindicateurs chantillonnage annuel, comme les Dures Classes DC Q
(Nombre annuel de jours o le dbit est infrieur un seuil Q), alors la priode de
retour des vnements se dduisent directement de la distribution prcdente :
T(D) =
1
1 - P(D)
60
t
N(D) . (1 - P(D))
( Daprs [27] )
Cet ajustement est ensuite rpt pour les diffrentes valeurs de dbit seuil intressant le
projeteur.
61
Lindicateur VCNd, est largement utilis pour valuer la svrit du creux de ltiage.
GALEA et coll [29] lajustent des lois LogNormales et rptent lopration pour diffrentes
dures:
( Daprs [30] )
Dans ce cas
Log [VCN(uf) ] = sd . uf + md
o
62
Cette dernire opration ncessite un certain lissage, au moins empirique. A la place dun
lissage esthtique , il peut tre prfrable de se rapprocher de la notion de modle global en
tentant de trouver une forme pertinente aux variations des paramtres des lois et de les
paramtrer par des fonctions simples.
A titre dexemple, les figures ci-dessous concernant la Garonne montrent que les
variations des paramtres des lois statistiques obtenues en fonction du seuil sont loin dtre
erratiques, et que le principe dune telle paramtrisation est bien fond :
( Daprs [27] )
Ds lors en ajustant les paramtres des lois trouves en fonction de la variable fixe (dbit ou
dure), on peut alors fournir une synthse du risque dtiage correspondant un indicateur
donn.
Quelque soit le lissage employ (empirique, paramtrisation, modle plus global), les rsultats
se prsentent sous la forme des courbes Dbit-Dure-Frquence traces ci-dessous dans le
cas ci de la Garonne Lamagistre :
63
( Daprs [27] )
La pertinence de cette prsentation globale peut en outre tre conforte en reportant sur ce
graphique les frquences empiriques, ou plutt les priodes de retour empiriques observes
(nombres encercls), et apprcier ainsi laccord entre observations et modlisation.
Pour dautres indicateurs la prsentation sera lgrement diffrente, mais le principe reste
identique : ainsi la figure ci-dessous montre lquivalent des courbes Dbit-DureFrquence pour un indicateur comme les dbits moyens mensuels.
( Daprs [27] )
On lira ainsi que dbit moyen doctobre a 1 chance sur 10 dtre infrieur 80 m3/s et 1
chance sur 100 dtre infrieur 45 m3/s.
64
Dans le cas dj voqu de la Seine Nomny, les auteurs font deux hypothses :
1) ils estiment que dans lexpression
Log [VCN(uf)] = sd . uf + md, sd est
indpendant de d, cest dire sd. = s "d, autrement dit, les distributions
LogNormales sont parallles.
( Daprs [30] )
2) ils proposent une paramtrisation, non plus sur les paramtres des lois, mais
directement sur les quantiles : VCNd (uf) = VCN1 (uf) . [a(d-1)+1]
( Daprs [30] )
65
Ds lors une expression 3 paramtres suffit pour valuer lensemble des estimations des
risques de VCN :
VCNd (T) = exp[s.uf] .VCN1 (2) . [a .(d-1)+1] o T correspond uf
Cette approche doit toujours tre valide, ce que font les auteurs :
( Daprs [30] )
A noter que la mme approche est reprise pour lindicateur QCN d, et que un lien empirique
entre les quantiles des VCN d et des QCNd a pu mme tre mis en vidence [30].
Pour rsumer cette quatrime partie, on retiendra les points forts suivants :
-
Lanalyse des risques dtiage doit prendre en compte la dimension croise dbit et dure.
Pour simplifier, il est recommand dtudier des variables 1 dimension (dbit ou dure)
en fixant lautre (dure ou dbit), quitte ensuite faire varier cette dernire.
Les indicateurs possibles sont nombreux : cest lutilisation qui gouverne le bon choix.
Les lois rencontres les plus frquemment sont les lois exponentielles, LogNormales et
Pearson (sans exclusive)
Il est pratique de reprsenter les rsultats sous la forme de courbes comparaison .
Il est parfois possible de paramtrer les lois de faon quune sorte de modle global, avec
un nombre restreint de paramtres, sous-tende ces courbes comparaison .
Enfin, signalons que les mthodes prcdentes peuvent tre utiles pour dautres utilisations :
ce fut le cas de la pluie, pourquoi pas les tempratures (canicule), les pollutions, ou les
66
crues. Cest ce qua fait le CEMAGREF, dans les annes 1990, en dveloppant largement ce
type dapproche pour les tudes dinondation [31].
_________________________
67
ANNEXE 1
1
2
3
4
5
Fonction de rpartition de
la loi Normale :
On retiendra que la loi Normale est une loi symtrique et plausible a priori si le phnomne physique
tudi peut tre considr comme une somme d'un grand nombre de petits phnomnes indpendants
(Thorme Central Limite). Pour les crues, lorsque le bassin tudi est grand (surface suprieure
10 000 km2), que son arrosage est trs diversifi, que ses affluents sont nombreux et relativement
indpendants, on peut parfois envisager que le dbit (ou plutt son logarithme) soit le rsultat d'une
telle somme de phnomnes. On dira que le dbit suit la loi de l'effet proportionnel, tablie par
Gibrat.
La loi Normale est cependant assez rarement la loi la mieux adapte, dautant que, les dbits ne
pouvant tre ngatifs, la formule ci-dessus est utilisable seulement si la moyenne des dbits est
grande devant l'cart type, et dans la mesure o on sintresse aux forts dbits.
En revanche on trouve assez souvent que le logarithme des dbits (qui, lui, peut tre ngatif) suit
souvent assez bien la loi Normale. Cest la loi
Log Normale, en remplaant Q par Log
(Q-Q0) ou simplement log Q.
1.1 Estimation des paramtres
Nous utiliserons la mthode des moments :
68
_
on obtient iustement : = Q
=s
1.2 Ajustement graphique
II faut :
tracer les points observs (Qi -fi ) o fi sont les frquences empiriques = i / (n+1)
tracer la courbe F(Q).
Si l'on trace F(Q) dans un plan gradu rgulirement, on va obtenir une courbe dont il est difficile de
juger l'adquation aux points exprimentaux. Par contre, si on fait la mme opration dans un plan
dont les ordonnes sont convenablement transformes, F(Q) apparatra comme une droite et il sera
plus facile de juger de l'alignement des points. Le papier Gauss, bien connu, ralise cette
transformation et permet d'effectuer sans calcul le report des points observs, et de tracer la droite
au moyen de deux points A et B de coordonnes :
A(Q: 0,500) B(Q + 2 s; 0,9773) .
Posons:
69
II est immdiat de voir qu'en transformant les ordonnes par -1 , le graphe de F(Q) devient une
droite de la forme y = (Q- )/
En rptant cette opration pour diverses probabilits p, on peut tracer les intervalles de confiance
% (en gnral 70%).
L'ajustement la loi Log Normale est identique : une premire approche consiste remplacer
remplacer le dbit Q par son logarithme dans tout ce qui vient d'tre dit. Lapproche complte en
remplaant Q par Log(Q-Q0) et en cherchant optimiser le paramtre Q0 est un peu plus complexe.
70
Cette distribution n'est plus symtrique : elle donne plus de poids aux crues les plus fortes.
Son sous-titre valeurs extrmes provient du fait qu'elle rsulte de l'tude des valeurs extrmes
prises par une variable alatoire (fonction de rpartition ) au cours de n tirages indpendants, et qui
ont pour fonction de rpartition asymptotique n(x)= n(x). L'analyse de ce type de variables, ainsi
que celle du dpassement de divers seuils, ont t abordes par Fisher et Tippet, et compltes par
Gumbel. Il est vident que selon la loi initiale , on obtiendra diverses lois d'extrme (x), et
que celle propose n'est qu'un cas particulier. Cependant ce cas particulier convient souvent bien aux
crues. D'ailleurs il correspond une loi (x) que nous retrouverons dans la mthode du
Renouvellement. Certaines rivires, assez rares, s'ajustent mieux la loi de Frchet, qui est la mme
loi dans laquelle la variable Q est remplace par son logarithme (forme la plus courante).
2. l Estimation des paramtres
Estimation par la mthode des moments :
_
a = Q - 0,45.s
b = s / 1,28
71
Qp = - . log[-log[1-p]]
Qp = m + p. &&
_
estim& par: Q*p = Q + p. s
avec
= - (0,45 + log[-log[1-p]]/1,28)
Considrons la variable :
_
T= (Q*p - Qp)/s = (Q-m- p. )/s + p
Cette variable est une mesure de l'cart entre
prvision et ralit. BERNIER a tudi cette variable
T, dont la loi n'est pas simple, et a calcul labaque ci
contre. On y lit, pour un nombre N d'observations
donn, et une probabilit p de crue, les valeurs T1 et
T2 de la variable T qui permettent de calculer les
bornes Q1 et Q2 de l'intervalle de confiance 70%
de la faon suivante :
Q1 = Qp -T1.s
Q2 = Qp +T2.s
Comme pour la loi Normale, il faut rpter ces
oprations pour diffrentes probabilits p afin
d'obtenir l'intervalle complet 70%.
L'ajustement la loi de Frchet s'obtient en ajustant
le logarithme des dbits la loi de Gumbel.
72
Densit :
Cette loi Gamma trois paramtres est trs en vogue dans les pays anglo-saxons : nous ne l'utilisons
que rarement car le plus souvent la loi Log Normale ou bien la loi des valeurs extrmes rpondent
la question. Un dfaut d'ajustement provient plus souvent des donnes, des hypothses, etc... que des
lois. Ceci dit, la loi Gamma est souple (3 paramtres) et souvent bien adapte aux calculs ultrieurs.
On peut notamment contrler son asymtrie et lui donner une forme plus pratique :
QT = m + K
o
m = moyenne
= cart type
QT = dbit de priode retour T
K = fonction tabule dpendant de T et du coefficient d'asymtrie. (K se lit
directement dans des tables selon la priode de retour de l'vnement cherch).
Les intervalles de confiance sont calculables mais assez compliqus, si bien que les utilisateurs
emploient galement des tables d'un certain kc permettant de calculer la borne suprieure, associe
un risque fix de dpassement :
(QT)c = m + kc.
c pour confidence limite interval .
On trouvera dans BOBBE un expos clair et complet de tous les calculs qui conduisent ces
formules simplifies. L'application pratique est facile mettre en oeuvre en consultant le guide
amricain d'estimation des probabilits de crues. Ce dernier fournit notamment les tables de K et kc
en fonction du risque et de la taille de l'chantillon des logarithmes des dbits (loi Log Pearson).
73
F(x) = 1 - exp[- x]
Densit:
f(x) = .exp[- x]
L'estimation du paramtre unique par les moments ou par le Maximum de Vraisemblance est
identique :
_
=1/x
L'ajustement de cette loi se fait trs simplement sur papier semi-log.
Du point de vue pratique on prendra souvent x=Q-S, o S est un seuil en dbit. La loi
correspondante scrit:
G(Q) = 1 - exp[- (Q-S)]
_
= 1/(Q-S)
avec
La loi exponentielle simple prsente la particularit que la moyenne est gale l'cart type:
_
var Q = (Q - S )2
Intervalle de confiance : Une premire estimation simple de cet intervalle consiste calculer var Qp
en se
_
rappelant que : Qp=S+(Q-S).log(1/p) de sorte que Var Qp = (Qp - S)2 / N
4.2 La loi de Weibull
C'est une loi exponentielle deux paramtres.
fonction de rpartition :
densit
Cette fois l'estimation des paramtres p et p n'est plus aussi simple et diffre selon quon utilise
lestimateur des Moments ou du Maximum de Vraisemblance. Il en va de mme pour l'intervalle de
confiance dont les calculs sont dvelopps en seconde partie et en annexe 2 dans le cadre de la
mthode du Renouvelement.
74
Les lois prcdentes s'appliquent des variables alatoires continues, en 1'occurrence le dbit. Nous
aurons parfois besoin d'tudier une variable alatoire discrte: le nombre de crues pendant un laps de
temps fix. Le plus souvent, la loi de Poisson conviendra : dans les rares cas o il n'en est pas ainsi la
loi Binomiale Ngative prend le relai. Nous nous limiterons donc au rappel de ces deux lois.
5.1 La loi de Poisson
Cest une loi l paramtre : P(n)=exp(-m) . mn
n!
_
Lunique paramtre m est gal la moyenne et s'estime naturellement par : n = ni /N o {ni} est
la suite des nombres entiers alatoires observs (par exemple le nombre de crues de chaque anne).
L'cart type est gal la racine carre de la moyenne. Cette loi est bien connue et ne ncessite pas
d'tre plus dtaille.
5.2 la loi Binomiale Ngative
Il existe un grand nombre d'autres lois que l'on rencontre au hasard de la littrature : celles cites ici
sont amplement suffisantes pour estimer les risques de crue dans 99% des cas. Des lois plus
sophistiques n'apportent pas grand chose car les donnes, notamment dans la zone des vnements
rares, sont en gnral trop peu nombreuses pour les valider, si bien que ces lois, apparemment plus
adaptes, sont en fait trompeuses. Par contre on pourra trouver des variantes de ces lois tout fait
justifies, par exemple les lois tronques qui combinent une des lois cites ci-dessus avec un
comportement diffrent l'origine. Ce type de loi est employ en hydrologie dans la mthode des
Maxima Annuels lorsqu'on veut carter les crues trop faibles (non reprsentatives).
75
ANNEXE 2
Cette annexe dtaille certains calculs mentionns en deuxime Partie, page 7, et en utilisant les mme
notations.
Elle est extraite de [18].
76
77
78
79
80
81
82
83
84
85
86
ANNEXE 3
TABLES STATISTIQUES
ET
PAPIERS GAUSS ET GUMBEL
87
88
89
Table de la loi du 2
Fractiles P2 de la loi de 2
90
91
Papier de Gumbel
92
Papier de Gauss
93
RFRENCES BIBLIOGRAHIQUES
Ouvrages gnraux
[ 1]
[ 2]
BOWKER et LIEBERMAN
Mthode statistique de l'ingnieur , Dunod, Paris, 1975.
[3 ]
HAAN
Statistical methods in hydrology . lowa State University Press, 1977.
[4 ]
KENDALL
The advanced theory of statistics , Griffin, Londres, 1960.
[5 ]
[6 ]
BERNIER J.
Donnes incompltes et transfert dinformations-cas du dimensionnement de
protections contre les crues , 15ime Assises de lAssociation Qubquoise de
Technique de leau, Montral, 1987
[ 7]
BERNIER J.
Sur la nature alatoire du cot des dommages provoqus par les crues , La Houille
Blanche, n l, 1979.
[8 ]
BERNIER J. et MIQUEL J.
Incertitude de l'information et dcisions en situation de risque. Cas de problme de
protection contre les crues ,La Houille Blanche, n 4/5, 1979.
[ 9]
BOBEE B.
Contribution l'tude statistique des dbits maximaux annuels de crue par les
distributions de Pearson III et Log Pearson III , Thse de Docteur Ingnieur,
Toulouse, 1976.
[ 10]
COX
Renewall Theory , Wiley, New York, 1962.
94
[ 11]
CRAMER et LEADBETTER
Stationnary and related stochastic processes , Wiley, New-York, 1967.
[12 ]
CREUTIN D.
Mthode dinterpolation optimale de champs hydromtorologiques. Comparaison et
application une srie dpisodes pluvieux cvenols Thse INPG - Grenoble, 1979
[ 13]
DELHOMME JP.
Application de la thorie des variables rgionalises dans les sciences de lEau
Bulletin du BRGM, 1978
[ 14]
[ 15]
GUMBEL
Statistics of extrmes , Columbia University Press, New York, 1958.
[ 17]
MARGOUM M
Estimations des crues rares et extrmes : Le modle AGREGEE. Conception et
premires validations - Thse, CEMAGREF et Ecole des Mines de Paris, Juillet 1992.
[ 18]
MIQUEL J.
Guide pratique d'estimation des probabilits de crues Ed Eyrolles, 1984
[ 19]
REMENIERIAS
L'hydrologie de l'ingnieur , Eyrolles, Paris, 1965.
[20]
PARDE
Le rgime de la Garonne revue Gographique de Pyrnes et du Sud-Ouest, 1935
[ 21]
ROCHE
Hydrologie de Surface , Gauthier-Villars, Paris, 1963.
[ 24]
YEVJEVICH
Probability and statistics in hydrology , Water Ressources Publications.
Fort Collins, 1972.
95
[25]
YEVJEVICH, V
An objective approach to definitions and investigations of continental hydrologic
droughts. Hydrology papers, Colorado State University, Fort Collins,Colorado, 23.
1967
[26]
[27]
[28]
[29]
[30]
GALEA, G., JAVELLE, P., CHAPUT, N. : Un modle dbit dure frquence pour
caractriser le rgime dun bassin versant . Revue des sciences de leau, 13/4 (2000)
421-440
[31]